CN113837367A - 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 - Google Patents
一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 Download PDFInfo
- Publication number
- CN113837367A CN113837367A CN202111119403.4A CN202111119403A CN113837367A CN 113837367 A CN113837367 A CN 113837367A CN 202111119403 A CN202111119403 A CN 202111119403A CN 113837367 A CN113837367 A CN 113837367A
- Authority
- CN
- China
- Prior art keywords
- suction resistance
- cigarette
- data
- resistance
- wrapping machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 140
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000000547 structure data Methods 0.000 claims abstract description 6
- 230000000391 smoking effect Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 241000208125 Nicotiana Species 0.000 claims description 17
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005056 compaction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000007664 blowing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing Of Cigar And Cigarette Tobacco (AREA)
Abstract
本发明公开了一种基于概率神经网络的卷包机烟支吸阻的在线预测方法,包括以下步骤:利用带记忆的吸阻系数校准装置对吸阻测量装置校准后,采集烟支吸阻数据和卷包机台数据,其中,卷包机台数据包括烟支物理结构数据和设备状态数据;对卷包机台数据进行预处理和吸阻影响因素选择之后,确定的吸阻影响因素与烟支吸阻数据形成样本数据;利用样本数据训练基于概率神经网络以得到烟支吸阻预测模型;利用烟支吸阻预测模型进行卷包机烟支吸阻的在线预测。该方法在实际的生产过程中具备可操作性和良好的应用效果,对吸阻控制提供了可靠的依据。
Description
技术领域
本发明属于吸阻检测领域,具体涉及一种基于概率神经网络的卷包机烟支吸阻的在线预测方法。
背景技术
卷烟吸阻是卷烟抽吸时的阻力。它不仅直接影响消费者抽吸卷烟的难易程度,而且也与其他安全卫生指标的释放量有密切关系,已成为烟叶成品质量的重要指标。影响卷烟吸阻的因素有很多,如滤棒压降、卷烟纸透气度、烟丝结构、填充值、烟支物理指标和接装纸等,对测量仪器有较高的要求。
吸阻是烟支在卷包机上进行加工的过程中产生的。在生产过程中要对烟支进行人工抽样,并送至实验室用专用的吸阻测量仪器(如QTM)做测量,并根据测量结果通过改变烟支重量对吸阻进行控制。但人工抽检的方式是滞后的,不能及时有效的控制吸阻,需要通过获取卷包机上的数据探索实时控制的方法。
卷包机自带烟支吸阻在线测量装置,能够实时测量全部烟支的吸阻,但受到吸阻帽磨损及其它机械原因的影响,很难稳定地测量吸阻,其吸阻测量值在工作一段时间后漂移,不能直接作为吸阻控制的依据。
如何准确稳定的进行吸阻的在线测量,是进行吸阻实时控制的关键。近年来出现一些吸阻预测(测量)方法,但大多是设计类似于QTM的离线吸阻测量装置,如公开号为CN108362608A的专利申请公开的一种集开放吸阻与封闭吸阻测量的卷烟吸阻自动化装置,再如公开号为CN111257165A的专利申请公开的一种吸阻标准棒的吸阻测定装置,这样装置仍然是对生产过程中的烟支少量抽样然后进行离线测量。
也有少数在线吸阻测量的技术方法,如公开号为CN108362608A的专利申请公开的一种在线测量卷烟吸阻的方法,但其所谓的在线也是将少量采集到的烟支样本置于要求的环境下进行测量,已经脱离开卷烟的生产环境。而且这些方法也只使用烟丝的静态结构因素(如短烟支重量、长度、圆周等)进行测量计算,忽略生产设备因素对吸阻造成的影响。
发明内容
鉴于上述,本发明的目的是提供一种基于概率神经网络的卷包机烟支吸阻的在线预测方法,基于大数据利用基于概率神经网络构建的烟支吸阻预测模型实现卷包机烟支吸阻的在线预测。
实施例提供的技术方案为:
一种基于概率神经网络的卷包机烟支吸阻的在线预测方法,包括以下步骤:
利用带记忆的吸阻系数校准装置对吸阻测量装置校准后,采集烟支吸阻数据和卷包机台数据,其中,卷包机台数据包括烟支物理结构数据和设备状态数据;
对卷包机台数据进行预处理和吸阻影响因素选择之后,确定的吸阻影响因素与烟支吸阻数据形成样本数据;
利用样本数据训练基于概率神经网络以得到烟支吸阻预测模型;
利用烟支吸阻预测模型进行卷包机烟支吸阻的在线预测。
在一个实施例中,所述利用带记忆的吸阻系数校准装置对吸阻测量装置校准,包括:
带记忆的吸阻系数校准装置记录吸阻测量装置抽样测量时样本的在线吸阻值;获取利用吸阻测量仪器对抽样样本进行测量得到的离线吸阻值;通过计算在线吸阻值与离线吸阻值的比例来确定吸阻校准系数,利用吸阻校准系数对吸阻测量装置进行校准。
在一个实施例中,将吸阻测量装置能够准确测量烟支吸阻期间确定为校准后的数据采样期间,在数据采样期间内,利用吸阻测量装置采集烟支吸阻数据,利用卷包高速数采服务器采集卷包机台数据并存储。
在一个实施例中,对卷包机台数据进行预处理包括:对卷包机台数据继续拿给你数据清洗,分类、剔除以及纠偏处理,根据模型需要进行数据字段的拆分和归一化处理。
在一个实施例中,在对卷包机台数据进行预处理后,对数据进行吸阻影响因素的选择,包括:通过构建的吸阻相关性分析模型,计算卷包机台数据中每种类型数据与吸阻的相关系数,该相关系数表示了数据对吸阻的重要程度,相关系数越大,对吸阻的重要程度越大,筛选相关系数大于设定阈值的类型数据作为吸阻影响因素,该吸阻影响因素用于构建样本数据。
在一个实施例中,吸阻影响因素选择后确定的吸阻影响因素包括:短支烟重量、烟丝水分、当前车速、圆周值、压实端量当前值、吸丝带位置、通风度当前值、烟支端头密度当前值、VE大风机压力、MAX大风机压力。
在一个实施例中,所述利用样本数据训练于概率神经网络以得到烟支吸阻预测模型,包括:
以极大似然估计为损失函数,损失函数表示为:l(θ)=P(Y|X,θ)=P(y1,y2,…,yn|x1,x2,…,xn,θ)=ΠP(yi|xi,θ),其中,θ表示概率神经网络参数,(xi,yi)表示第i个样本数据,x表示吸阻影响因素,y表示烟支吸阻数据;
将样本数据中的吸阻影响因素输入至概率神经网络,经计算输出预测吸阻值的概率分布,将吸阻实测值带入这个分布计算所有样本吸阻值出现的概率,依据极大似然估计优化概率神经网络参数,优化结束后,得到烟支吸阻预测模型。
在一个实施例中,所述利用烟支吸阻预测模型进行卷包机烟支吸阻的在线预测,包括:
将在线采集的卷包机台数据经过预处理和吸阻影响因素选择后,输入至烟支吸阻预测模型,经过计算输出预测吸阻值的概率分布,实现烟支吸阻的在线预测。
实施例提供的基于概率神经网络的卷包机烟支吸阻的在线预测方法具有的有益效果至少包括:
通过利用带记忆的吸阻系数校准装置对吸阻测量装置校准后,采集烟支吸阻数据和卷包机台数据,其中,卷包机台数据包括烟支物理结构数据和设备状态数据;对卷包机台数据进行预处理和吸阻影响因素选择之后,确定的吸阻影响因素与烟支吸阻数据形成样本数据;利用样本数据训练基于概率神经网络得到烟支吸阻预测模型后,利用烟支吸阻预测模型进行卷包机烟支吸阻的在线预测,经过实现验证,经过一年的QTM跟踪测量实验,该方法的吸阻预测测量值与QTM抽样测量值能够相差在1个吸阻单位以内,可以作为吸阻智能控制的重要依据。准确的吸阻测量使得吸阻的过程控制更加平稳,吸阻的波动方差降低到1个单位以内。同时可以使得达到目标吸阻所消耗的烟丝量减少,降低了烟丝消耗等生产成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是一实施例提供的基于概率神经网络的卷包机烟支吸阻的在线预测方法的流程图;
图2是一实施例提供的基于概率神经网络的卷包机烟支吸阻的在线预测方法应用的系统图;
图3是一实施例提供的带记忆的吸阻系数校准装置工作原理图;
图4是一实施例提供的概率神经网络的原理图;
图5是一实施例提供的概率神经网络的训练过程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
针对卷烟生产过程中缺乏准确的实时吸阻在线测量装备,难以实现烟支吸阻值的实时测量,以及难以实现对吸阻的实时控制问题,综合烟丝的物理结构、加工过程设备状态等影响因素,充分考虑卷烟生产中的不确定现象及信息获取中噪声的干扰,采集经过吸阻校准的卷包机实时数据,运用深度学习的训练和优化技术,建立基于概率神经网络的吸阻预测模型,并构建吸阻实时测量系统,可以通过吸阻影响因素,稳定地预测生产过程中的实时吸阻值及置信度,为卷烟吸阻的智能控制提供可靠依据。
图1是一实施例提供的基于概率神经网络的卷包机烟支吸阻的在线预测方法的流程图;图2是一实施例提供的基于概率神经网络的卷包机烟支吸阻的在线预测方法应用的系统图。图2所示,实现基于概率神经网络的卷包机烟支吸阻的在线预测方法应用的系统包括由吸阻测量装置、带记忆的吸阻系数校准装置、卷包上位机、数据存储服务器、高速数采服务器、训练服务器、应用服务器构成,并通过以太网相连。利用带记忆的吸阻系数校准装置将卷包机附带的吸阻测量装置校准,在吸阻测量装置能够准确测量烟支吸阻的期间通过高速数采系统获得卷包机台的实时数据,利用准确的吸阻和其影响因素数据建立基于概率神经网络的预测模型,在生产期间用该模型对实时吸阻值进行预测,以取代不稳定的机台吸阻测量装置。
其中,带记忆的吸阻系数校准装置,用于卷包机的吸阻系数校准。通过保存抽样时样本的机台测量吸阻值,并将样本在实验室QTM测量仪与该值做比例,可以自动计算系数完成吸阻校准,使得卷包机自带的吸阻测量装置能够在一段时间内准确测量吸阻。
卷包高速数采服务器通过以太网与卷烟机上位机相连接,根据数据接口交互协议,能够以毫秒级的速度采样到单支烟数据,包括烟支的所有物理结构数据、卷包机的设备状态数据。采集到的数据上传到存储服务器,进行存储和管理。同时,发送给应用服务器,供吸阻预测模型使用。
训练服务器通过以太网络与数据存储服务器相连,获取历史数据,进行数据的预处理、吸阻影响因素选择和吸阻预测模型的训练,并将模型部署在应用服务器上。应用服务器进行生产过程中利用吸阻预测模型进行烟支吸阻的在线预测。
如图1所示,实施例提供的基于概率神经网络的卷包机烟支吸阻的在线预测方法,包括以下步骤:
步骤1,利用带记忆的吸阻系数校准装置对吸阻测量装置校准。
带记忆的吸阻系数校准装置用于卷包机的吸阻系数校准。卷包机自带的吸阻测量装置,由于吸阻帽磨损及其他机械原因,测量的吸阻值(简称机台测量值)会随着时间的推移而衰减,需要通过调整吸阻系数,使得测量值能够恢复正常。烟支吸阻值以实验室专用QTM测量仪器测出的吸阻值为准,将测出的离线吸阻值输入到卷包机中可以进行吸阻校准。但是卷包机自带的校准系统由于并不记录抽样时样本的机台测量值,校准时会产生偏差。因此,对该校准系统进行改造,如图3所示,记录吸阻测量装置抽样测量时样本的在线吸阻值;获取利用吸阻测量仪器对抽样样本进行测量得到的离线吸阻值;通过计算在线吸阻值与离线吸阻值的比例来确定吸阻校准系数,利用吸阻校准系数对吸阻测量装置进行校准。但是,即便进行了吸阻校准,机台的值也只能在一段时间内保持相对准确,因此,不能直接用于吸阻的控制,但是可以在这段时期内进行建模所需的样本数据采集。
步骤2,采集烟支吸阻数据和卷包机台数据,其中,卷包机台数据包括烟支物理结构数据和设备状态数据。
实施例中,将吸阻测量装置能够准确测量烟支吸阻期间确定为校准后的数据采样期间,在数据采样期间内,利用吸阻测量装置采集烟支吸阻数据,利用卷包高速数采服务器采集卷包机台数据并存储。
步骤3,对卷包机台数据进行预处理和吸阻影响因素选择之后,确定的吸阻影响因素与烟支吸阻数据形成样本数据。
实施例中,卷包机台数据的预处理和吸阻影响因素选择均由训练服务器执行。其中,对卷包机台数据进行预处理包括:对卷包机台数据继续拿给你数据清洗,分类、剔除以及纠偏处理,根据模型需要进行数据字段的拆分和归一化处理。在对卷包机台数据进行预处理后,对数据进行吸阻影响因素的选择,包括:通过构建的吸阻相关性分析模型,计算卷包机台数据中每种类型数据与吸阻的相关系数,该相关系数表示了数据对吸阻的重要程度,相关系数越大,对吸阻的重要程度越大,筛选相关系数大于设定阈值的类型数据作为吸阻影响因素,该吸阻影响因素用于构建样本数据。通过相关系数筛选得到的吸阻影响因素,这样来减少数据的维度和数据冗余,提升样本数据的质量。
步骤4,利用样本数据训练基于概率神经网络以得到烟支吸阻预测模型。
概率神经网络是给定输入影响因素的条件下,计算吸阻可能取值的概率分布。虽然从卷包机可以获取到烟支的物理结构、加工过程设备状态等影响因素实时数据,但是仍然存在一些不可测的吸阻影响因素,如单支滤棒吸阻、加工过程中的撞击、烟丝结构密度分布等,再加上数据本身的测量噪声,模型所预测的吸阻值不会是一个精确的值,而是服从某种概率分布的取值区间,所以适合使用条件概率的方式建模。该概率神经网络使用深度神经网络中流行的残差神经网络作为主体,输出并不是一个具体的吸阻值,而是均值和方差两个值,并以这两个值构造正态概率分布预测在给定输入的相关因素下吸阻值的概率分布,这种模型比较适合不完全确定条件下的吸阻估计,该估计可以用于后续的吸阻实时控制。
如图4所示,输入X是经过特征选择的吸阻影响因素,分别为短支烟重量、烟丝水分、当前车速、圆周值、压实端量当前值、吸丝带位置、通风度当前值、烟支端头密度当前值、VE大风机压力、MAX大风机压力。其中,VE大风机压力是通往卷包机上的一种风压,用于吹烟丝的,MAX大风机压力也是通往卷包机上的一种风压,用于吹烟丝的。中间是由残差神经网络构成的多层神经网络,用于构建条件概率分布函数。与普通的神经网络不同的是,该概率神经网络有2个输出,分别是均值和方差。也就是说,该网络并不是直接预测一个具体的吸阻值,而是预测在给定输入的相关因素下吸阻值的概率分布,该分布以正态分布给出,并由均值和方差这两个参数唯一确定。从另一方面讲,均值给定影响因素下期望的吸阻值,而方差则给出了这个吸阻的置信度(置信区间)。
损失函数(目标函数)是吸阻样本的极大似然估计,用于估计神经网络也就是条件概率分布的参数θ。由于神经网络每轮训练中通常采用小批次样本,这些样本都是独立同分布的。记采集到的样本集为{(x1,y1),(x2,y2)…(xn,yn)},其中X代表影响因素,Y是实测的吸阻。似然函数定义为:l(θ)=P(Y|X,θ)=P(y1,y2…,yn|x1,x2…xn,θ)=∏P(yi|xi,θ),也就是求解θ使得这些样本在给定影响因素下吸阻值同时出现的概率最大。为了方便求解,添加log函数将概率的连乘积转变为求和,最终求得的网络参数θ*=argmax logl(θ)=argmax∑log P(yi|xi,θ)。实际中条件概率P取正态分布的概率密度函数,需要由均值和方差两个参数确定,这两个参数由概率神经网络输出,概率神经网络的参数决定了参数θ。
深度学习的训练和优化技术,就是通过最大化对数似然函数,来求得网络层的参数,该过程由梯度下降的改进版Adam方法完成。整个学习训练过程在深度学习框架Pytorch进行,如图5所示,概率神经网络的训练过程为:
S1)设定训练的超参数(训练代数、每代训练次数、学习率等);
S2)通过回调函数读取每批次的样本数据(x,y);
S3)将影响因素x喂入神经网络,输出网络预测的概率分布;
S4)将吸阻实测值y带入S3)得到的概率分布计算所有样本的极大似然概率,即损失函数;
S5)根据损失函数利用Adam算法计算梯度,并反向更新网络参数;
S6)保存网络训练权值,并转至S2),重复训练过程,直到损失函数足够低,获得烟支吸阻预测模型。
步骤5,利用烟支吸阻预测模型进行卷包机烟支吸阻的在线预测。
实施例中,将在线采集的卷包机台数据经过预处理和吸阻影响因素选择后,输入至烟支吸阻预测模型,经过计算输出预测吸阻值的概率分布,实现烟支吸阻的在线预测。
实施例提供的基于概率神经网络的卷包机烟支吸阻的在线预测方法,充分考虑到吸阻预测中各种不可测因素及噪声,建立了条件概率深度网络模型,输出的均值给出了影响因素下期望的吸阻值,而方差则给出了这个吸阻的置信度(置信区间)。这种方式在实际的生产过程中具备可操作性和良好的应用效果,对吸阻控制提供了可靠的依据。经过一年的QTM跟踪测量实验,本方法的吸阻预测测量值与QTM抽样测量值能够相差在1个吸阻单位以内,可以做为吸阻智能控制的重要依据。准确的吸阻测量使得吸阻的过程控制更加平稳,吸阻的波动方差降低到1个单位以内。同时可以使得达到目标吸阻所消耗的烟丝量减少,降低了烟丝消耗等生产成本。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于概率神经网络的卷包机烟支吸阻的在线预测方法,其特征在于,包括以下步骤:
利用带记忆的吸阻系数校准装置对吸阻测量装置校准后,采集烟支吸阻数据和卷包机台数据,其中,卷包机台数据包括烟支物理结构数据和设备状态数据;
对卷包机台数据进行预处理和吸阻影响因素选择之后,确定的吸阻影响因素与烟支吸阻数据形成样本数据;
利用样本数据训练基于概率神经网络以得到烟支吸阻预测模型;
利用烟支吸阻预测模型进行卷包机烟支吸阻的在线预测。
2.根据权利要求1所述的基于概率神经网络的卷包机烟支吸阻的在线预测方法,其特征在于,所述利用带记忆的吸阻系数校准装置对吸阻测量装置校准,包括:
带记忆的吸阻系数校准装置记录吸阻测量装置抽样测量时样本的在线吸阻值;获取利用吸阻测量仪器对抽样样本进行测量得到的离线吸阻值;通过计算在线吸阻值与离线吸阻值的比例来确定吸阻校准系数,利用吸阻校准系数对吸阻测量装置进行校准。
3.根据权利要求1所述的基于概率神经网络的卷包机烟支吸阻的在线预测方法,其特征在于,将吸阻测量装置能够准确测量烟支吸阻期间确定为校准后的数据采样期间,在数据采样期间内,利用吸阻测量装置采集烟支吸阻数据,利用卷包高速数采服务器采集卷包机台数据并存储。
4.根据权利要求1所述的基于概率神经网络的卷包机烟支吸阻的在线预测方法,其特征在于,对卷包机台数据进行预处理包括:对卷包机台数据继续拿给你数据清洗,分类、剔除以及纠偏处理,根据模型需要进行数据字段的拆分和归一化处理。
5.根据权利要求1或4所述的基于概率神经网络的卷包机烟支吸阻的在线预测方法,其特征在于,在对卷包机台数据进行预处理后,对数据进行吸阻影响因素的选择,包括:通过构建的吸阻相关性分析模型,计算卷包机台数据中每种类型数据与吸阻的相关系数,该相关系数表示了数据对吸阻的重要程度,相关系数越大,对吸阻的重要程度越大,筛选相关系数大于设定阈值的类型数据作为吸阻影响因素,该吸阻影响因素用于构建样本数据。
6.根据权利要求1或5所述的基于概率神经网络的卷包机烟支吸阻的在线预测方法,其特征在于,吸阻影响因素选择后确定的吸阻影响因素包括:短支烟重量、烟丝水分、当前车速、圆周值、压实端量当前值、吸丝带位置、通风度当前值、烟支端头密度当前值、VE大风机压力、MAX大风机压力。
7.根据权利要求1或5所述的基于概率神经网络的卷包机烟支吸阻的在线预测方法,其特征在于,所述利用样本数据训练于概率神经网络以得到烟支吸阻预测模型,包括:
以极大似然估计为损失函数,损失函数表示为:l(θ)=P(Y|X,θ)=P(y1,y2,…,yn|x1,x2,…,xn,θ)=∏P(yi|xi,θ),其中,θ表示概率神经网络参数,(xi,yi)表示第i个样本数据,x表示吸阻影响因素,y表示烟支吸阻数据;
将样本数据中的吸阻影响因素输入至概率神经网络,经计算输出预测吸阻值的概率分布,将吸阻实测值带入这个分布计算所有样本吸阻值出现的概率,依据极大似然估计优化概率神经网络参数,优化结束后,得到烟支吸阻预测模型。
8.根据权利要求1所述的基于概率神经网络的卷包机烟支吸阻的在线预测方法,其特征在于,所述利用烟支吸阻预测模型进行卷包机烟支吸阻的在线预测,包括:
将在线采集的卷包机台数据经过预处理和吸阻影响因素选择后,输入至烟支吸阻预测模型,经过计算输出预测吸阻值的概率分布,实现烟支吸阻的在线预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119403.4A CN113837367A (zh) | 2021-09-24 | 2021-09-24 | 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119403.4A CN113837367A (zh) | 2021-09-24 | 2021-09-24 | 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837367A true CN113837367A (zh) | 2021-12-24 |
Family
ID=78969652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111119403.4A Pending CN113837367A (zh) | 2021-09-24 | 2021-09-24 | 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837367A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813646A (zh) * | 2019-03-21 | 2019-05-28 | 红云红河烟草(集团)有限责任公司 | 一种预测卷烟吸阻的方法 |
JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
CN111189742A (zh) * | 2020-03-17 | 2020-05-22 | 河南中烟工业有限责任公司 | 一种卷烟吸阻测定装置 |
CN111612427A (zh) * | 2020-05-25 | 2020-09-01 | 青岛海大新星软件咨询有限公司 | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 |
CN112232495A (zh) * | 2020-12-10 | 2021-01-15 | 北京瑞莱智慧科技有限公司 | 预测模型的训练方法、装置、介质和计算设备 |
-
2021
- 2021-09-24 CN CN202111119403.4A patent/CN113837367A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019101792A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社国際電気通信基礎技術研究所 | チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム |
CN109813646A (zh) * | 2019-03-21 | 2019-05-28 | 红云红河烟草(集团)有限责任公司 | 一种预测卷烟吸阻的方法 |
CN111189742A (zh) * | 2020-03-17 | 2020-05-22 | 河南中烟工业有限责任公司 | 一种卷烟吸阻测定装置 |
CN111612427A (zh) * | 2020-05-25 | 2020-09-01 | 青岛海大新星软件咨询有限公司 | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 |
CN112232495A (zh) * | 2020-12-10 | 2021-01-15 | 北京瑞莱智慧科技有限公司 | 预测模型的训练方法、装置、介质和计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110888058B (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
CN106295802B (zh) | 一种基于粒子群算法优化bp神经网络的茶叶存储时间分类方法 | |
CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN109034225B (zh) | 一种结合随机变量灰性和贝叶斯模型修正的不确定性参数估计方法 | |
CN111814878A (zh) | 基于ssda-helm-softmax的农业投入品实时分类预测方法 | |
CN116108355B (zh) | 一种云热水监控平台数据的管理方法 | |
CN117313029A (zh) | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 | |
CN106370554A (zh) | 一种烟草含水率检测及在线水分仪监测方法 | |
CN116646030A (zh) | 基于电子烟雾检测的烟油成分识别方法及系统 | |
CN113837367A (zh) | 一种基于概率神经网络的卷包机烟支吸阻的在线预测方法 | |
CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
CN115719294A (zh) | 一种室内行人流疏散控制方法、系统、电子设备及介质 | |
CN111612427B (zh) | 一种基于深度学习的烟支吸阻智能控制系统及其控制方法 | |
CN117350897A (zh) | 一种考虑空气湿度的转换功率预测的方法和系统 | |
CN112985692B (zh) | 一种融合多项式与学习模型的气压传感器误差标校方法 | |
CN108614536B (zh) | 一种卷烟制丝工艺关键因素的复杂网络构建方法 | |
CN117390591A (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 | |
CN110990938B (zh) | 一种掌子面在掘岩体状态软测量方法 | |
CN112651178A (zh) | 一种基于无规则缺失数据融合模型的丁烷含量预测方法 | |
CN111838744A (zh) | 基于lstm的环境温湿度在烟丝过程中的水份连续实时预测方法 | |
CN116842684A (zh) | 电能表及其运行可靠性的评估方法、系统、电能表处理器 | |
CN115375181A (zh) | 一种实验室环境质量智能分析方法和系统 | |
CN113496255A (zh) | 基于深度学习与决策树驱动的配电网混合观测布点方法 | |
CN113379149A (zh) | 一种基于lstm神经网络的空气微站浓度预测方法 | |
Midilli et al. | Optimization of Neural Networks with Response Surface Methodology: Prediction of Cigarette Pressure Drop |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |